[发明专利]一种故障预测方法、装置及存储介质

说明书

本发明提供一种故障预测方法、装置及存储介质，所述方法包括：采用蛙跳算法对预测目标设备的训练参数进行优化，得到所述训练参数的局部最优解；采用萤火虫算法对所述训练参数进行全局最优解的求解，得到所述训练参数的全局最优解；将得到的所述训练参数的全局最优解输入双向长短期记忆网络进行故障预测模型的训练，并输出所述预测目标设备的设定运行参数的预测值。本发明提供的方案能够有效地预测可能出现的故障。

技术领域

本发明涉及控制领域，尤其涉及一种故障预测方法、装置及存储介质。

背景技术

随着逆变器在电力系统和控制系统中的应用，其发生的故障影响越发重要，大多数电机在控制系统中多与逆变器进行连接，逆变器的严重故障不仅造成逆变器的损坏，并且将会导致电机发生损坏，这会使维修难度和成本增高，于是对于提高逆变器的安全性和可靠性，有效预测逆变器可能出现的故障，提前采取预防测试，节约经济成本，提升可靠性具有重要的意义。

发明内容

本发明的主要目的在于克服上述现有技术的缺陷，提供一种故障预测方法、装置及存储介质，以解决现有技术中预测设备可能出现的故障的问题。

本发明一方面提供了一种故障预测方法，包括：采用蛙跳算法对预测目标设备的训练参数进行优化，得到所述训练参数的局部最优解；采用萤火虫算法对优化得到的所述训练参数的局部最优解进行全局最优解的求解，得到所述训练参数的全局最优解；将得到的所述训练参数的全局最优解输入双向长短期记忆网络进行故障预测模型的训练，并输出所述预测目标设备的设定运行参数的预测值。

可选地，采用蛙跳算法对训练参数进行优化，得到所述训练参数的局部最优解，包括：步骤S11，根据所述双向长短期记忆网络所需的训练参数个数设定搜索空间的维度，并初始化蛙跳算法的计算参数；步骤S12，初始化目标函数的适应参数和搜索范围，计算第一目标函数的值作为青蛙的适应度；步骤S13，根据计算得到的青蛙的适应度对青蛙进行排序，并在每个种群中，按照第一位置更新规则进行位置更新；步骤S14，根据位置更新前和位置更新后的适应度的差值大小确定是否改变位置更新规则；步骤S15，若确定改变位置更新规则，则按照第二位置更新规则进行位置更新；步骤S16，将每个种群中更新后的青蛙与所有种群混合在一起重新根据适应度进行排序，并重新划分种群；重复执行步骤S12～步骤S16，直到达到第一预设迭代次数或者第一预设搜索精度后，输出训练参数的局部最优解。

可选地，采用萤火虫算法对优化得到的所述训练参数的局部最优解进行全局最优解的求解，包括：步骤S21，初始化萤火虫算法的计算参数，输入所述训练参数的局部最优解作为第二目标函数；步骤S22，计算每只萤火虫的发光亮度、不同萤火虫之间的距离以及相对吸引度，并计算更新步长，进行位置更新；步骤S23，更新所有萤火虫的位置，发光亮度最强的萤火虫进行随机移动；步骤S24，判断是否达到第二预设迭代次数或第二预设搜索精度，若未达到，则返回步骤S22，当达到第二预设迭代次数或第二预设搜索精度时输出萤火虫的位置。

可选地，所述更新步长根据萤火虫之间的距离进行自适应更新。

可选地，将得到所述训练参数的全局最优解输入双向长短期记忆网络进行故障预测模型的训练，并输出所述预测目标设备的设定运行参数的预测值，包括：设置时间窗大小，设置故障预测模型训练过程中批量处理数据的个数和时间序列步长；将得到的所述训练参数的全局最优解作为所述双向长短期记忆网络的输入；计算交叉熵损失函数，当计算得到最小化的损失函数时，进行Dropout正则化；达到设定的遍历次数值时，结束模型训练，输出设定运行参数的预测值。

可选地，预测目标设备，包括：逆变器；所述训练参数，包括：逆变器的电流的运行时间序列数据、电压的运行时间序列数据和/或转矩的运行时间序列数据。